Sigortacılıkta yapay zekâ: kullanım alanları ve riskleri

Sigortacılıkta yapay zekâ, geçmiş verilerden örüntü öğrenen modellerin risk değerlendirme, fiyatlama, hasar yönetimi, suistimal tespiti ve müşteri iletişimi gibi süreçlerde karar desteği ya da otomasyon için kullanılmasıdır. Sigorta, doğası gereği veriye ve olasılığa dayalı bir iş olduğu için yapay zekânın en doğal uygulama alanlarından biridir.

Ancak bu doğallık, riskleri küçültmez. Bir modelin hatalı ya da önyargılı kararı, bir müşterinin poliçesinin reddedilmesine, yanlış fiyatlanmasına ya da haklı bir hasarının gecikmesine yol açabilir. Bu rehber, sigortacılıkta yapay zekânın gerçekçi kullanım alanlarını, bu alanların gerektirdiği altyapıyı ve yönetilmesi gereken riskleri Türkiye bağlamında ele alıyor.

Sigortacılıkta yapay zekâ hangi teknolojileri kapsar?

Sigortacılıkta yapay zekâ; tahmine dayalı makine öğrenmesi, görüntü işleme, doğal dil işleme ve üretken yapay zekâ olmak üzere dört ana teknoloji ailesini kapsar. Her aile farklı veri tipleriyle çalışır ve farklı süreçlere uygundur.

• Makine öğrenmesi (Machine Learning, ML): Yapılandırılmış veriden (poliçe, hasar, müşteri kayıtları) olasılık ve skor üretir. Risk skorlama, yenileme tahmini ve suistimal skorları bu gruptadır.
• Görüntü işleme (Computer Vision): Fotoğraf ve videodan araç hasarı, bina durumu ya da belge türü gibi bilgileri çıkarır.
• Doğal dil işleme (Natural Language Processing, NLP): E-posta, dilekçe, ekspertiz raporu ve çağrı kaydı gibi serbest metinleri sınıflandırır, içindeki bilgileri ayıklar.
• Üretken yapay zekâ (Generative AI): Büyük dil modelleri (Large Language Model, LLM) ile metin özetleme, taslak yanıt üretme ve doküman üzerinde soru-cevap yapar.

Klasik kural motorları yapay zekâ değildir ama yapay zekâ uygulamalarının yanında vazgeçilmezdir. Çoğu üretim sisteminde model bir skor üretir, iş kuralları ise o skora göre hangi aksiyonun alınacağına karar verir.

Yapay zekâ sigorta değer zincirinde nerede kullanılır?

Yapay zekâ, sigorta değer zincirinin satıştan hasar ödemesine kadar hemen her halkasında kullanılabilir; ancak en olgun uygulamalar hasar yönetimi, suistimal tespiti ve operasyonel belge işleme alanlarındadır. Aşağıdaki tablo başlıca kullanım alanlarını ve gerektirdiği veriyi özetler.

Risk kabul ve fiyatlama

Risk kabul (underwriting) sürecinde yapay zekâ, basit başvuruları otomatik kabule yönlendirirken sıra dışı başvuruları gerekçeleriyle birlikte uzmana aktarır. Fiyatlamada ise modeller, aktüerya ekibinin kullandığı genelleştirilmiş doğrusal modeller (Generalized Linear Model, GLM) gibi yöntemleri tamamlayan ek içgörüler sunar. Tarifenin son hali yine aktüeryal denetimden ve şirketin fiyatlama politikasından geçmelidir; yapay zekâ çıktısı doğrudan fiyata dönüşmemelidir. Bu çıktıların üretimde nasıl kullanıldığını sigorta fiyatlama motoru rehberinde anlatıyoruz.

Hasar yönetimi

Hasar tarafında en çok değer üreten uygulamalar; ihbar anında dosyanın karmaşıklığını tahmin edip doğru ekibe yönlendirmek, fotoğraflardan ön hasar tespiti yapmak ve belgelerdeki bilgileri otomatik olarak sisteme aktarmaktır. Görüntü tabanlı uygulamaların ayrıntısı için yapay zekâ ile hasar tespiti makalesine bakabilirsiniz.

Suistimal tespiti

Suistimal tespitinde yapay zekâ, kural tabanlı kontrollerin kaçırdığı örüntüleri yakalar; özellikle kişiler, araçlar, servisler ve adresler arasındaki ilişki ağlarını analiz ederek organize girişimleri görünür kılar. Model burada bir karar vermez, inceleme birimine öncelikli bir liste sunar. Ayrıntılar sigorta dolandırıcılığı tespiti rehberinde yer alıyor.

Müşteri hizmetleri ve operasyon

Gelen e-postaların ve taleplerin sınıflandırılması, belge okuma, çağrı özetleri ve çalışanlara yönelik bilgi asistanları hızlı değer üreten, görece düşük riskli alanlardır. Üretken yapay zekânın sigortadaki ilk yaygın kullanımları da genellikle bu alanda ortaya çıkar.

Sigortacılıkta yapay zekânın başlıca riskleri nelerdir?

Başlıca riskler; önyargı ve ayrımcılık, açıklanamayan kararlar, kişisel veri ihlali, model kayması, veri kalitesi sorunları ve üretken modellerde uydurma çıktılardır. Bu risklerin her biri hem müşteri hem de düzenleyici açısından somut sonuçlar doğurabilir.

• Önyargı ve ayrımcılık: Model, doğrudan kullanılmasa bile hassas özelliklerle ilişkili dolaylı değişkenler üzerinden belirli grupları dezavantajlı duruma düşürebilir.
• Açıklanabilirlik: Bir müşteriye neden daha yüksek prim önerildiğini ya da hasarının neden incelemeye alındığını açıklayamamak hem şikâyet yönetimini hem de denetimi zorlaştırır.
• KVKK uyumu: Kişisel verilerin işlenme amacı, hukuki dayanağı, saklama süresi ve yurt dışına aktarım koşulları model geliştirme ve kullanım süreçlerinde de geçerlidir. KVKK, ilgili kişiye münhasıran otomatik sistemlerle yapılan analiz sonucunda aleyhine çıkan sonuca itiraz hakkı da tanır.
• Model kayması (drift): Pazar koşulları, araç parkı, onarım maliyetleri ya da müşteri davranışı değiştikçe modelin isabeti zamanla düşer.
• Veri kalitesi: Eksik, tutarsız ya da yanlış etiketlenmiş veriyle eğitilen model, bu hataları ölçekli biçimde tekrarlar.
• Uydurma çıktılar: Üretken modeller, kaynağında olmayan bilgiyi ikna edici bir dille sunabilir; bu, poliçe şartları gibi hassas konularda ciddi sorun yaratır.
• Tedarikçi bağımlılığı: Kara kutu olarak satın alınan bir model, şirketin kendi kararlarını açıklayamaz hale gelmesine yol açabilir.

Avrupa Birliği'nin Yapay Zekâ Yasası (AI Act), hayat ve sağlık sigortasında gerçek kişilere yönelik risk değerlendirme ve fiyatlama sistemlerini yüksek riskli sistemler arasında sayar. Türkiye'de doğrudan uygulanmasa da AB ile iş yapan şirketler ve iyi uygulama arayanlar için önemli bir referans çerçevedir.

Yapay zekâ projesi adım adım nasıl hayata geçirilir?

Bir yapay zekâ projesi; iş problemi tanımıyla başlar, veri hazırlığı ve modellemeyle devam eder, sürece entegrasyon ve sürekli izlemeyle üretimde kalır. Modelin kendisi çoğu zaman projenin en kısa aşamasıdır.

1. Kullanım alanını seçin: Değeri ölçülebilir, verisi mevcut ve hatası yönetilebilir bir süreç belirleyin.
2. Başarı ölçütünü yazın: İş metriği (süre, maliyet, yakalama oranı) ile model metriğini (isabet, yanlış alarm) birlikte tanımlayın.
3. Veriyi hazırlayın: Kaynakları birleştirin, kaliteyi ölçün, etiketleri doğrulayın, KVKK açısından veri minimizasyonu uygulayın.
4. Modeli geliştirin ve doğrulayın: Modeli zaman bazlı ayrılmış veriyle test edin; alt gruplar arasındaki performans farklarını inceleyin.
5. Sürece yerleştirin: Modelin çıktısının hangi ekrana, hangi kurala ve hangi insan kararına bağlandığını tasarlayın.
6. Kontrollü yayına alın: Önce gölge modda, yani kararları etkilemeden, ardından sınırlı bir kapsamda çalıştırın.
7. İzleyin ve yeniden eğitin: Performansı, veri dağılımını ve itirazları düzenli olarak raporlayın; eşik aşıldığında modeli güncelleyin.

Yapay zekâ yönetişimi için kontrol listesi

Üretime alınan her model için aşağıdaki soruların yazılı bir cevabı bulunmalıdır:

• Modelin iş sahibi ve teknik sahibi kim?
• Hangi veriler, hangi hukuki dayanakla kullanılıyor?
• Model hangi kararları otomatik veriyor, hangilerinde insan onayı var?
• Kararlar müşteriye ve denetçiye açıklanabiliyor mu?
• Alt gruplar arasında adil olmayan performans farkı test edildi mi?
• Performans ve veri kayması hangi sıklıkla izleniyor?
• Model versiyonları, eğitim verisi ve parametreleri kayıt altında mı?
• Model devre dışı kaldığında süreç nasıl devam ediyor?

ProdayTech olarak sigorta projelerinde yapay zekâ bileşenlerini, iş kuralı motoru ve insan onayıyla birlikte tasarlanan bir karar akışının parçası olarak ele alıyoruz. Kullanım alanı seçimi ve mimari için iletişim sayfasından bize ulaşabilirsiniz.